導語：未來肯定會有更多種智能駕駛的方案并行，而且這些智能駕駛方案會相輔相成。
新智駕(AI-Drive)按：賈兆寅，現任滴滴出行前沿業務技術負責人。上海交通大學本科畢業、康納爾大學博士，于谷歌工作三年半，擔任過從谷歌旗下無人車公司Waymo的技術經理。博士時期主要在感知領域進行研究，包括基于計算機視覺的一些具體算法比如物體識別、三維重建，并將其應用在機器人、自動駕駛汽車方面。
以下內容根據賈兆寅在知乎Live的分享整理，雷鋒網新智駕已獲授權，并做了不改變原意的整理：
無人駕駛研究(雷鋒網注：智能駕駛最高形態)大概是2000年從北美開始的，當時是斯坦福大學等名校參加一個名為“DARPA”的無人車挑戰賽。這些學校的團隊設計的無人車在封閉的道路上跑完全程，第一個沖過終點線的就是第一名。
DARPA里面有一些比較有意思的事情發生，比如說麻省理工學院和康奈爾大學兩個學校的無人車有一次發生了碰撞——應該算是無人駕駛界的第一次事故。
他們詳細分析了事故發生的原因，實際上是無人駕駛一些關鍵性的技術如障礙物感知、物體識別以及路徑規劃方面仍有很多問題存在。
正因為DARPA比賽的舉辦，從2013年開始，很多著名廠商開始跟進無人駕駛。比如說特斯拉開始做Autopilot，還有一些創業公司像Cruise Automation(后來被GM收購)。
無人駕駛也在很多領域進行了開展，比如最直接的接送乘客就是無人駕駛非常重要的商用領域;車廠也希望通過智能駕駛來讓每一輛車的行車體驗更好;包括像特斯拉也主打Autopilot讓駕駛體驗變得更好、更安全。
事實上，無人駕駛的技術手段也隨著時間的推移在變化。一開始以激光雷達(LiDAR)為主流;后來因為深度學習和視覺技術的突破，攝像頭開始被受車企和初創企業青睞;此后又出現了Radar等新的傳感器。當然，這些年計算機計算能力的提升以及新算法的出現，也對無人駕駛研究大有裨益。
攝像頭
我們最常見的傳感器就是照相機，其優點是非常便宜。它捕捉的是可見光，能得到物體非常豐富的細節信息。它的頻率相對于其他傳感器來說是非常高的，一般的正常照相機都應該是30-60HZ，對于自動駕駛領域要對高速移動的物體進行感知和識別來說，這種頻率完全可以應付。
很多智能駕駛平臺會配備多個攝像頭，包括前向、側向和后向，每個攝像頭記錄的信息合成車身周邊360度的信息，再加上人工智能的算法，可以對周圍物體進行感知，基于感知便可做車輛的路徑規劃。
此外，一些高清攝像頭可以看得非常遠，在沒有障礙物遮擋的情況下，能夠看到200米以外的物體，這對于智能駕駛來說是一個非常可觀的感知距離。
激光雷達
另一種是激光雷達，其工作原理是發射一束激光(肉眼不可見)，碰到物體后會反射回來，然后再測算這束激光從發射到反射中間花費的時間，可以具體知道這個物體的深度。
一束激光可以得到一個點的深度，多束激光便可得到多個點的深度，這就是所謂的激光雷達的線數。現在主流的LiDAR最多是64線，它把激光束排成像扇子一樣，這個扇子以軸為圓心進行360度的旋轉，這樣每一束激光就形成了一道環，64束激光就會形成64道環，可以得到360度的圖像。
激光雷達除了能得到物體的深度，還能測算出反射過來的激光信號的強度，根據激光信號的強度就可以得到一些其他的信息。比如說像人體就不是一個很好的光的反射面，所以反射回去的強度比較弱，像汽車的燈或者是一些標志符號會像鏡子一樣反射激光雷達，就會形成更強的反射。
但是，相較于攝像頭(特別是高清攝像頭)，激光雷達的弊端是很難表現出這個物體比較豐富的變化。它可以描繪出物體大致的輪廓，但是細節上則表現得沒那么好。
目前，激光雷達非常昂貴，比如說Velodyne的激光雷達一個可能都是上萬美金。
雷達
還有一類傳感器就是一般意義上的雷達，它根據多普勒效應來檢測物體的位置以及速度，包括速度的方向和速度的大小。
而且雷達也可以檢測非常遠的物體，同時還可以穿透一般的障礙物，遠方行駛車輛的信號是非常強的，所以很多智能汽車上都配備了雷達。
不過，雷達的劣勢也是很明顯。
第一，基于雷達的反射信號，它得到的位置以及速度信息是比較模糊的，只能得到一個大概的信息，誤差可能在米這個范圍內，遠距離的誤差會更大。
其次，雷達對金屬的反射是非常好的，但對于非金屬的反射相對來說是比較糟糕的，比如說行人或者是小動物。
第三，雷達必須是雙方有一個相互速度才能夠檢測出物體的位置，因為它是基于多普勒效應的傳感器，如果雙方靜止的話，便會失效。
除了這些主要傳感器，智能駕駛還需要其他一些傳感器。比如要進行精確定位便離不開GPS;要知道車輛車頭的朝向、行駛的速度或者加速度轉角，IMU(慣性測量單元)則不可或缺。
除了這些傳感器之外，高精度地圖對于智能汽車來說也是非常重要的。
高精度地圖
如果想象智能汽車是一個機器人的話，那高精度地圖的作用就是告訴機器人這個世界是怎樣的。你給了這個機器人一些先驗的知識包括車道線在什么地方、在路的什么位置、是不是有斑馬線，斑馬線上的行人可能更多，是不是要更注重行人的檢測等。
高精度地圖和普通地圖的區別也是非常大的，高精度地圖不僅要知道這條路整個的連接狀況，更要知道這條路上有幾個車道?每一個車道線是一個什么樣的?甚至還包括一些車道的轉角以及車道線之間的連接等細節信息。還需要非常頻繁的來進行采樣，精確還原道路實況。
路網信息是智能駕駛的一部分，另外一部分地圖比較重要的工作就是整個世界的信息，包括車道具體有多寬，然后這些車道是什么樣的形狀，這些信息也是非常重要的。
這個圖片就是三維的世界的重建包括比較成熟的一些SLAM建造的這個世界，你可以看到這個世界是由剛才我們說的激光點源構成的，從這個截圖就可以看到，就是很多幀激光點源疊起來的一個狀況，疊起來的地圖我們就知道強在什么地方，具體的道路的路面是一個什么樣的形狀，它是有多少的比如說上坡、下坡或者是具體的轉角都會有一個比較清晰的知識。
感知世界
得到這些先驗的知識以后，后面的感知和路徑規劃相對來說就容易一些。比如說感知就可以把路面去掉，得到比如說障礙物在什么地方的信息;路徑規劃有了車道線的知識，更容易進行避障，知道哪些地方可以靠邊，哪些不能。
但是，智能汽車對世界的感知也會遇到一些困難。
雖然道路上絕大多數的障礙會是汽車、行人、自行車、摩托車、助力車等這樣的物體，但也會有比較低頻出現的障礙出現。比如說道路上會有一些車爆胎留下的爆胎，比如超市里的手推車有時候會滑到路上，還有路面上的一些垃圾、磚塊……這些障礙物可能需要開幾百公里甚至幾千公里才能碰到，但是當有足夠的數據量以后，這些長尾問題也會成為比較重要的物體識別問題。
此外，惡劣天氣、自然環境等等也會影響智能汽車的感知環節。
所以在智能駕駛中可以看到，特別是現在基于深度學習的感知方法，數據量是關鍵。一個是因為更多的數據量，學習出來的模型會更好;另外一個是大的數據量，也能收集到更多的低頻事件數據。
當然，這些小概率事件以及惡劣的天氣、環境除了對感知造成影響，也對車輛控制提出了新的挑戰。比如當地面濕滑之時，如何能夠精準控制智能汽車的轉向和剎車，同時給智能系統正確的技術反饋?這些都是有待研究的問題。
應用現狀
智能駕駛在一些高端的汽車上已經有了一些具體的應用，比如說有一些車上面已經有相關的ADAS應用進去，可以進行必要的輔助駕駛，比如制動和轉向、防碰撞預警等。當然，真正的讓人手離方向盤還需要一定的時間，肯定是一個循序漸進的過程。
相對來說，在一些交通狀況不那么復雜的地方，智能駕駛可能會率先應用起來。比如一些工業區、旅游區等。此外，未來利用自動駕駛汽車進行貨物的運輸，甚至是通過自動駕駛汽車進行共享出行也都是很有前景的。
當然，智能駕駛最可貴的效果是，可以避免一些不必要的人為操作造成的交通事故，提高錘形的整體安全性。
對我個人而言，能夠在這個時候參與到這個過程中推動智能駕駛技術，是非常令人高興的一件事情。也希望更多人參與進來，讓科幻電影、小說里的技術變成真正的產品。
問答
問：攝像頭怎么感知距離？
賈兆寅：比較傳統是用雙目攝像頭來做，通過兩顆攝像頭來檢測同一個物體。如果你知道這個物體在兩顆攝像頭里面具體的圖片中的位置，那如果兩個攝像頭中間有一些距離，你可以知道這個位置的視差，通過這個視差再加上一些幾何上的過程，可以知道具體物體的位置。
但是它會制約于幾個因素，第一個因素是車載的物理限制。因為像人的雙眼一樣，兩顆攝像頭之間的距離越大，可以檢測的物體的深度越深。但是搭載在車身的攝像頭相互間的距離是受限的，不可能無限大。
另外一個就是雙目攝像頭來測量深度會局限在具體的匹配算法，如果兩顆攝像頭里面會出現兩張圖片，那怎么樣把這兩張圖片相同的物體聯系起來，然后通過這種對應的算法得到視差，這也是一個算法上的問題。如果這個算法出現一些偏差的話，距離感知就會有誤差。
還有一種是通過單目攝像頭來感知距離。一般都是基于一些幾何上的假設，比如說已經能夠檢測出路面了，那可以想象路面是一個比較大的平面，相對來說就知道路面上具體的每個位置與車的距離是怎么樣的。
問：三維重建一般需要哪些傳感器的共同配合？
賈兆寅：對于三維重建來說，我們一般會把攝像機、Radar還有IMU、GPS這些結合起來，配合行程對整個場景進行重建。一般的三維重建會進行一些數據的采樣，得到比如說照相機和Radar對于世界的描述，然后再通過說GPS、IMU把一幀一幀的信息聯合起來做三維的重建。
問：5G的到來會幫助解決智能駕駛的部分技術難關嗎？在剛剛結束的WMC上，很多巨頭通信公司把無人駕駛作為5G的載體。
賈兆寅：這個高速網絡的到來會對智能駕駛各個領域都有一些幫助，比如說可以迅速得到地圖的更新，然后大的數據可以迅速與服務器進行一些交互，新的數據傳輸方式也可以催生一些在智能駕駛、車聯網方面的新的應用。
問：智能駕駛何時能真正到來？
賈兆寅：這個要看我們怎么定義“到來”。智能駕駛有不同的維度和發展階段，一些技術我覺得已經在很多車廠進行比較廣泛的應用，比如說剛才我提到的盲區檢測、車道線檢測、CMB、ACC等等，其實這些對于駕駛來說都具備一定革命性，而且開始慢慢融入到我們日常體驗中。未來肯定會有更多種智能駕駛的方案并行，而且這些智能駕駛方案會相輔相成。
